Karena AI lebih sering digunakan untuk beberapa tujuan, masalah bias — sering disuntikkan secara tidak sengaja — menjadi lebih jelas. Pada tingkat yang luas, bias cenderung membuat stereotip orang. Pelanggan harus memiliki pengalaman yang bermanfaat dan positif dengan AI, tetapi terkadang, bias tak terduga ini dapat merusak interaksi tersebut, membuat pelanggan merasa frustrasi atau terpinggirkan. Karena layanan pelanggan mendorong loyalitas pelanggan, dan loyalitas mendorong pendapatan, hal ini dapat berdampak negatif pada bisnis secara keseluruhan.
Bias dalam AI dapat memanifestasikan dirinya dalam banyak cara. Persentase yang cukup besar dari eksekutif yang disurvei oleh Speechmatics menemukan bahwa perangkat lunak pengenalan suara berjuang untuk memahami beberapa suara.
BlenderBot 3 Meta, prototipe AI percakapan, hanya bertahan selama akhir pekan sebelum AI menjadi, dengan kata lain, rasis. Masalah serupa telah menjangkiti model AI setidaknya sejak 2016, ketika chatbot Microsoft Tay mulai meniru bahasa yang tidak pantas dari pengguna Internet.
Bagaimana, kemudian, model harus dilatih untuk memberikan tanggapan yang konsisten dan bermanfaat kepada pelanggan tanpa bias merayap? Di Skit.ai, kami menemukan bahwa membangun AI yang tidak bias membutuhkan tiga komponen utama.
1. Latih AI untuk interaksi tertentu daripada untuk penggunaan luas
Mempersempit ruang lingkup interaksi adalah kunci untuk mengurangi bias. Di Skit, kami berfokus pada pembuatan voicebot dengan kasus penggunaan khusus: model layanan pelanggan yang hanya menanggapi pertanyaan spesifik yang terkait dengan bisnis. Tujuan bot mungkin mengumpulkan umpan balik, memberikan pembaruan tentang status klaim, atau pengumpulan melalui panggilan. Tetapi mereka tidak diciptakan untuk mencakup semua.
Pagar pembatas ini memastikan bahwa AI tidak mulai menjawab pertanyaan yang tidak memenuhi syarat untuk dijawab. Itu membuat seluruh percakapan tetap fokus dan menarik bagi pelanggan. Platform Skit.ai juga memungkinkan klien — perusahaan — untuk mengambil kendali penuh atas pembuatan dan pengoperasian voicebot dan modelnya. Transparansi dari kedua belah pihak ini membuat pencarian dan penyelesaian bias menjadi lebih mudah.
Pada akhirnya, pelanggan hanya ingin menyelesaikan masalah mereka dengan cepat dan menyenangkan. AI yang dilatih untuk penggunaan tertentu dapat membantu perusahaan memberikan pengalaman tersebut.
2. Secara sadar bersihkan data yang Anda masukkan ke AI.
Model AI hanya sebagus data yang dilatihnya. Mereka cenderung keluar jalur ketika diberi makan data yang buruk atau terbatas. Sementara AI membutuhkan data pelatihan yang luas untuk mencakup semua input yang diharapkan, set data yang besar meningkatkan kemungkinan bias pelatihan yang tidak disengaja ke dalam AI.
Oleh karena itu, setiap perusahaan AI harus teliti dalam memfilter data.
Ayelet Israel, seorang profesor di Harvard Business School, menjelaskan dalam sebuah wawancara baru-baru ini bahwa kita perlu melampaui mengatasi “informasi yang tidak lengkap atau tidak representatif” untuk menghindari munculnya bias. Contoh yang baik adalah menghindari penggunaan karakteristik sekunder:
“Misalkan wanita lebih cenderung membeli kasing iPhone merah dibandingkan dengan kelompok lain. Sekarang, saya memutuskan untuk mengecualikan jenis kelamin ketika saya melatih algoritme saya untuk memprediksi sesuatu, untuk mencegah hasil yang bias. Tetapi jika saya masih membiarkan algoritme menggunakan warna casing iPhone, maka pada dasarnya saya menggunakan proxy untuk ‘orang ini adalah seorang wanita.'”
Sementara banyak set data telah tercemar oleh apa yang bisa disebut kesalahan manusia, mengelola apa yang “makan” AI dapat mencegahnya – atau orang-orang yang berinteraksi dengannya – sakit perut.
3. Mengatur sistem checks and balances.
Apa yang merupakan bias dalam masyarakat dapat berubah dari waktu ke waktu. Model AI perlu memperhitungkan dunia yang dinamis, dan perusahaan perlu terus meningkatkan filter dan definisi mereka untuk memastikan bahwa mereka melayani pelanggan mereka secara adil dan efektif. Karena AI adalah kotak hitam bagi pengguna akhir — pelanggan — perencanaan ke depan dan membangun transparansi ke dalam model dapat mengenali dan mengoreksi bias sebelum pelanggan mengalaminya.
Shomron Jacob, manajer teknik untuk AI di Iterate.ai, baru-baru ini merinci beberapa alat sumber terbuka yang dapat digunakan perusahaan untuk membantu mengurangi bias dalam model AI mereka. Beberapa alat ini, seperti kerangka kerja AI Terpercaya Deloitte, membantu memandu perusahaan melalui potensi masalah etika saat mereka mengembangkan model AI. Lainnya, seperti Google What-If Tool, membantu perusahaan memvisualisasikan potensi masalah bias.
Saat Anda menguji model AI Anda, pastikan Anda meminta umpan balik terkait potensi bias. OpenAI menangkap sejumlah masalah dengan DALL-E, AI yang menghasilkan seni, berkat ketekunan penguji awal.
Langkah-langkah ini — pelatihan untuk kasus penggunaan tertentu, pembersihan data dengan cermat, dan menyiapkan sistem pemeriksaan dan keseimbangan — merangkul kekuatan manusia dan mesin. Bias adalah entitas subyektif yang inheren. Itu dapat berubah tergantung pada sudut pandang Anda, jadi pekerjaan berlanjut. Dengan membuat manusia terlibat secara proaktif dalam membentuk AI, Anda dapat mencegah pembentukan bias dan meningkatkan model untuk semua pelanggan.
Kredit Foto: Foto foto/Shutterstock
Sourabh Gupta adalah CEO dan Co-founder Skit.ai, platform kecerdasan suara tambahan yang dirancang untuk memberdayakan pusat kontak untuk mengelola pertanyaan pelanggan secara lebih efisien. Didirikan pada tahun 2016, visi Sourabh dalam menciptakan perusahaan adalah untuk meningkatkan pengalaman pelanggan dan meletakkan dasar bagi masa depan interaksi suara. Di bawah kepemimpinannya, Skit.ai telah mengumpulkan $27 juta dalam penggalangan dana Seri A dan Seri B dan telah memperluas tim menjadi 300+ karyawan di seluruh dunia. Perusahaan ini beroperasi di seluruh India dan memasuki pasar AS pada Juni 2022. Sourabh telah terpilih untuk penghargaan kepemimpinan bergengsi di India, termasuk Forbes 30 Under 30 Asia 2021 dan Entrepreneur India’s Tech 25 Class of 2021.
